HTML正文提取算子用于解析输入的HTML内容，自动提取文章标题和主体内容，并移除 <h1>~<h6>、<p>、<a>、<img>、<ul>、<li>、<div>、<span>、<br> 等HTML标签。本文介绍HTML正文提取算子的配置方法。
前提条件
需联系Dataphin团队开通非结构化数据功能后，才能使用工作流功能。
已完成工作流的创建，详细创建步骤请参见创建工作流。
权限说明
Basic项目的项目管理员、开发者、分析师以及拥有数据集-使用权限的自定义项目角色，可在算子的输入和输出数据集中使用该项目下的所有数据集。
操作步骤
在Dataphin首页的顶部菜单栏中，选择研发 > 数据研发。
在开发页面的顶部菜单栏选择项目。
在左侧导航栏中选择数据处理 > 工作流，在左侧工作流列表中单击目标工作流，打开工作流画布，在左侧算子库中拖动HTML正文提取算子至画布中，并在右侧HTML正文提取面板中配置以下参数。
参数
描述
步骤名称
输入当前算子名称，支持任意字符，不超过256个字符。
输入配置
数据集
选择需处理的数据集，可选择混合数据集和表数据集。数据集选择完成后还需选择其版本，默认为该数据集正序的第一个版本。
当前算子作为其他算子的下游时，此处所选数据集通常与上游算子的输出数据集一致。
输入字段
待处理的文本或文档URL，根据字段类型自动识别：
当来源字段是URL类型的字段时，将提取URL指向的文档内容进行处理，支持读取.md/.txt/.doc/.html格式的文件。
当来源字段不是URL类型的字段时，将字段内容作为待处理的纯文本信息。
需选择输入数据集中来源字段，可选择输入数据集中元数据表的所有字段。
过滤条件（非必填）
使用SQL语法，仅需输入where语句后的过滤条件，支持使用系统全局变量，例如业务日期${bizdate}。
输出配置
数据集
支持选择来源数据集或其他数据集。若来源数据集的元数据表不存在主键，则输出数据集默认选择其他数据集。
当选择其他数据集时，将根据输入字段类型还需指定一个数据集及其版本作为输出数据集，默认为该数据集正序的第一个版本。
若输入字段为URL类型的字段（处理后会生成文件），则输出数据集仅支持选择混合数据集。
若输入字段不是URL类型的字段（处理后不会生成文件），则输出数据集支持选择混合数据集和表数据集。
选择来源数据集时，算子产出的元数据将写入来源数据集同版本对应的元数据表中。
文件输出路径（非必填）
输入文件输出的路径，仅当输入字段为URL类型时支持配置。
文件输出名称
仅当输入字段为URL类型时展示，生成文件的文件名格式为
${原文件名称}_html正文提取.md，不支持修改。加载策略
若所选输出数据集的元数据表中存在主键，则默认选择主键冲突时更新；若不存在主键，则默认选择追加数据。
追加数据：直接向目标表新增追加数据，当主键/约束冲突时，会提示错误。
主键冲突时更新：当主键/约束冲突时，会先删除整行主键重复的旧数据，再插入新数据。
覆盖：先删除目标表的数据，再写入数据。
说明输出数据集选择来源数据集时，加载策略仅支持主键冲突时更新。
字段映射
当输入字段为URL类型时，HTML正文提取仅固定输出
markdown_url字段，即输出文件的存储URL。当输入字段不是URL类型时，HTML正文提取仅固定输出
processed_text字段，即提取的正文内容。
算子输出字段默认映射至输出数据集的同名字段，您也可以手动选择目标字段进行自定义映射。此外，支持将来源数据集的透传字段映射至目标数据集。您可以通过以下方式管理字段映射：
新增输出字段：单击后新增一行空白字段映射关系。仅输出数据集选择其他数据集时支持此功能。
批量映射：单击后可选择批量手动映射、同名映射或同行映射。仅输出数据集选择其他数据集时支持此功能。
删除映射：单击删除图标可删除对应行的字段映射，但算子固定输出字段的映射不支持删除。
配置完成后，单击画布顶部菜单栏中的保存，保存此次配置。
单个算子配置完成后，可继续为其选择上游或下游算子来完成完整工作流的配置。